自适应线性神经网络在车辆组合导航的应用

针对车辆GPS/DR组合导航系统中位置误差预测难以建立精确的数学模型的问题,提出了自适应线性神经网络建立位置误差预测模型的方法。该方法对来自GPS、DR的位置数据采用小波去噪,在GPS有效时用GPS、DR的位置信号建立线性神经网络位置误差预测模型,在GPS失效时预测位置误差并推算车辆实时位置。仿真表明,该方法对车辆组合导航系统是有效的。     

提高GPS／DR组合导航容错性能的自适应设计

建立了一种易于工程实现的包含速度观测信息的GPS／DR组合导航模型,介绍了适用于GPS／DR系统根据硬件余度思想和残差信息统计量检测、剔除粗差观测量的方法,并给出了几个利用GPS、DR冗余的观测信息修正DR传感器的思想。实测结果表明本文提出的滤波方法,能够大大提高滤波器的跟踪精度,有效地解决了GPS定位多径误差、DR传感器实时校正的问题。最后给出了当观测卫星少于4颗时,利用2－3颗卫星的观测信息与DR组合导航的一种定位方法,在提高组合系统的可靠性方面作了有益的探索。     

基于BP神经网络辅助的车载组合导航算法研究

针对INS/GPS组合导航系统在GPS信号被遮挡时,GPS接收机失锁导致导航精度迅速下降的问题,提出了基于BP神经网络辅助的组合导航算法。即在GPS信号锁定的时候,采用卡尔曼滤波对INS/GPS信号进行数据融合得到实时的精确位置,同时利用组合导航输出信息对BP神经网络进行实时在线训练;一旦GPS失锁,利用之前训练好的神经网络对INS系统进行误差补偿,解决精度迅速下降问题。通过跑车实验证明,速度精度在0.2m/s以内,位置精度为25m以内,该算法对INS/GPS组合导航系统有效。     

基于小波分析与神经网络的组合导航的研究

针对GPS/DR组合导航存在GPS信号被遮挡时无法对DR零点更新以及运动的高动态性造成卡尔曼滤波难以完全适应数据融合的问题,提出采用联邦卡尔曼滤波器数据融合与小波变换和正则化神经网络的DR位置预测模型相结合的方法。该方法由联邦卡尔曼滤波器得到较为精确的导航信息,与利用小波变换在不同尺度上融合所得到的误差信号输入神经网络,经过训练获得预测误差,在GPS信号失效时与导航信息相加实现精确实时定位。仿真计算结果表明,该方法可以提高导航系统的精度和速度,该模式有较好的鲁棒性,具有实用价值。     

BP神经网络在电力负荷中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.     

国产化卫星/MEMS组合导航模块的设计实现

设计一种嵌入式卫星/MEMS组合导航模块。该模块采用北京时代民芯科技有限公司的国产化GPS/BD多模导航接收机,实现与MEMS惯性器件的软硬件融合。基于工程化应用,提出一种高可靠扩展卡尔曼滤波器滤波算法,实时校准各种误差项,改善组合导航模块性能。在静态情况下,模块姿态角误差小于0.2°,航向角误差小于0.5°。在动态情况下,姿态角与航向角误差小于1°,如果卫星导航突然中断,将能持续30秒,定位精度维持在20米内。     

基于小波神经网络的卡尔曼滤波在GPS/DR系统中的应用

针对GPS/DR定位过程中采用卡尔曼滤波时噪声的统计特性与实际不符,提出采用小波神经网络嵌入到卡尔曼滤波,来实现自适应调整噪声协方差矩阵.通过对基于小波神经网络的自适应卡尔曼滤波辅助的GPS/DR定位系统进行仿真,结果表明既能有效抑制发散,又能有效提高定位精度.     

基于改进贝叶斯正则化BP神经网络模型的网络安全态势预测方法研究

随着互联网的迅速发展,网络安全问题越来越严重,分析及预测网络安网络安全态势,对于网络安全具有重要意义。本文在网络安全态势量化的的基础上,改进贝叶斯算法,提出一种改进型贝叶斯正则化BP神经网络模型的网络安全态势预测方法,通过模拟网络环境进行数据分析,验证了该预测方法可以减小了训练误差和预测误差,提高了对网络安全态势预测精度,证明了该方法的可行性。     

BP神经网络辅助的SINS/GPS组合导航姿态误差补偿方法研究

针对SINS/GPS组合导航姿态估计精度不足问题,提出一种BP神经网络辅助的导航姿态估计的补偿方法。首先,以QR分解Kalman滤波的增益矩阵并构建其降维特征向量;然后,以此为输入,以姿态估计误差为期望输出对BP神经网络进行训练;最后,利用BP神经网络的输出辅助修正SINS/GPS组合导航的姿态估计结果。数值仿真表明,相对于仅依赖传统Kalman滤波的方法,使用降维特征向量训练的BP神经网络获得补偿误差的SINS/GPS组合导航系统姿态估计可大大降低计算耗时,同时精度可提高两个数量级,对提高SINS/GPS组合导航精度具有较高参考价值。     

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。     

卡尔曼滤波实现车载GPS/DR组合导航

陆地车辆是在二维平面内运动的,而在车载GPS接收机和DR组合装置中,测量值是在不同的坐标系中得到的,通过对坐标系转换和测量误差分析得到组合系统的整体状态方程和测量方程,由于这些状态方程和测量方程都是关于状态的非线性函数,用广义卡尔曼滤波器来实现GPS/DR组合导航的实时求解。最后在行驶车辆上采集数据并进行仿真试验,结果表明这种组合系统能够大大提高系统实时定位精度和容错能力。     

基于CMAC的卡尔曼滤波技术在组合导航系统中的应用

经典卡尔曼滤波器要求假设系统的动态模型和观测模型的噪声统计特性已知,而组合导航系统的噪声具有非先验性。为了解决这一问题,提出小脑模型神经网络（CMAC）辅助卡尔曼滤波器。仿真试验结果表明,该辅助算法的精度与经典卡尔曼滤波算法相比提高了2倍,收敛时间缩短近200 s,并有效地克服了传统神经网络学习速度慢,泛化能力弱的缺点,使系统具有自适应能力,以应付动态环境的扰动。     

GPS／INS组合车辆导航系统的两种卡尔曼滤波结构

为了解决GPS信号失锁引起的无法定位和INS积累误差引起的长时间漂移问题,以GPS/INS组合导航系统的数据融合理论作为基础,卡尔曼滤波作为主要融合方法,对进入组合车辆系统的GPS定位数据与INS定位数据分别进行估计、修正和融合,推导出GPS/INS组合导航系统的状态方程、测量方程和递推滤波方程,同时对分散滤波结构和联合滤波结构进行仿真比较,结果表明后者的定位精度高于前者。     

基于改进神经网络增强自适应UKF的组合导航系统

基于微机电系统(MEMS)的惯性器件和全球定位系统(GPS)的组合导航系统在卫星信号失锁时存在误差发散的问题,该文提出一种基于人工蜂群算法(ABC)改进的径向基函数(RBF)神经网络增强改进的自适应无迹卡尔曼滤波算法(AUKF)。在GPS信号失锁的情况下利用训练好的神经网络输出预测信息来对捷联惯导系统进行误差校正。最后通过车载半实物仿真实验验证该方法的性能。实验结果表明该方法在失锁情况下对于捷联惯导系统的误差发散有较为明显的抑制效果。     

基于NARX神经网络的组合导航系统设计

针对捷联组合导航系统在定位信号无法获取的情况下定位误差大和BP神经网络定位的波动问题提出了基于NARX神经网络的导航算法。该方法在输入端加入输出输入量的时间序列,在定位信号可以获取时间段内对神经网络进行训练,不可获取时使用NARX预测的数据对系统进行补偿,提高定位精度。实验结果表明在30s的失锁时间内NARX神经网络定位精度在3m以内,迭代次数小于15次且数据波动较小,可以准确的预测导航位置。     

UKF在GPS/INS伪距、伪距率组合导航中的应用

扩展卡尔曼滤波（EKF）是GPS／INS组合导航系统中常用的数据融合方式。但是EKF的线性化会带来截断误差,从而影响系统定位精度。不敏卡尔曼滤波（UKF）是一种新的非线性滤波的方法,它能减少线性化截断误差对系统定位精度的影响。文中在线性状态方程的条件下,主要研究了伪距、伪距率的非线性对系统定位性能的影响。UKF采用非线性观测方程,EKF采用线性观测方程。仿真结果表明UKF能明显改善位置项的定位精度。     

基于组合导航系统的智能汽车精准定位

现阶段,导航系统已在智能汽车领域得到了广泛应用,在长期实践应用中可以发现,常见导航系统仍然存在定位精度不够的问题,为了解决这一问题,相关学者提出了“组合导航系统”理论,将多种导航系统综合运用,以此实现智能汽车精准定位。本文将对组合导航的实际应用作出分析。     

基于神经网络的业务量预测研究

分别采用back—propagation（BP）算法和Favidon最小二乘学习算法训练神经网络（NN），并用于复杂业务流量预测。以自相似流量模型验证了2种NN学习算法的有效性，并分析比较了他们在流量预测中的可行性，得出Davidon最小二乘学习算法训练的NN比BP算法收敛速度快、收敛误差相差不多，验证了复杂自相似业务流的可预测性，为复杂自相似网络业务流预测的研究提供了一种有效途径。